VSGT：用于 EEG 情绪识别的变分空间与高斯时间图模型

基于摘要分析。本文研究 EEG 情绪识别中的时空依赖建模，提出 Variational Spatial and Gaussian Temporal（VSGT）图模型，旨在利用先验知识刻画动态脑区空间依赖，并建模不同脑区在相邻时间片之间的时间依赖。 核心机制：VSGT 包含 Variational Spatial Encoder（VSE）与 Gaussian Temporal Encoder（GTE）。VSE 通过变分贝叶斯方法，结合摘要所述的上界定理与先验知识识别动态空间依赖；GTE 使用 conditional Gaussian graph transform，计算相邻时间片之间的综合时间依赖。模型进一步通过循环结构计算所有时间片的空间与时间依赖。摘要未说明先验知识的具体来源、上界定理的形式、图变换的数学定义及训练目标，这些细节尚未验证。 创新与对照：作者将既有工作的不足归纳为先验知识利用有限，以及忽略不同脑区之间的跨时间片依赖。本文的针对性贡献是分别以 VSE 和 GTE 处理这两类问题，而不只是独立建模每个时间片内的空间关系。其具体区别及相对已有时空图方法的增益，需要核对全文中的方法比较与消融结果。 结果与复现条件：作者报告，VSGT 在多个 EEG 数据集上的实验优于所比较的先进方法；摘要未提供数据集名称、被试数量、被试内或跨被试协议、划分方式、指标与数值，因此不能据此判断跨被试泛化能力或量化性能提升。实验协议、消融及统计信息尚未验证。复现时需核对先验构建方式、脑区与通道的对应关系、时间片划分、动态图估计及循环计算细节，并确认比较方法采用一致的评估协议。摘要不足以支持对实时 BCI 性能或跨会话稳健性的结论。